PENERAPAN ALGORITMA NAIVE BAYES

UNTUK MENGKLASIFIKASI DATA NASABAH

ASURANSI
Oleh : Bustami
Dosen Teknik Informatika Universitas Malikussaleh

ABSTRAK
Data mining adalah teknik yang memanfaatkan data dalam jumlah yang besar
untuk memperoleh informasi berharga yang sebelumnya tidak diketahui dan dapat
dimanfaatkan untuk pengambilan keputusan penting. Pada penelitian ini, penulis
berusaha menambang data (data mining) nasabah sebuah perusahaan asuransi
untuk mengetahui lancar, kurang lancar atau tidak lancarnya nasabah tersebut. Data
yang ada dianalisis menggunakan algoritma Naive Bayes. Naive Bayes merupakan
salah satu meode pada probabilistic reasoning. Algoritma Naive Bayes bertujuan
untuk melakukan klasifikasi data pada kelas tertentu, kemudian pola tersebut dapat
digunakan untuk memperkirakan nasabah yang bergabung, sehingga perusahaan
bisa mengambil keputusan menerima atau menolak calon nasabah tersebut.
Kata Kunci : data mining, asuransi, klasifikasi, algoritma Naive Bayes

PENDAHULUAN
Premi merupakan pendapatan bagi perusahaan asuransi, yang
jumlahnya ditentukan dalam suatu persentase atau tarif tertentu dari jumlah
yang dipertanggungkan. Bagi tertanggung premi merupakan beban karena
membayar premi merupakan beban tertanggung. Pendapatan premi untuk
perusahaan asuransi ditentukan oleh jumlah premi yang dibayar oleh
nasabah.
Permasalahan yang sering timbul dalam perusahaan asuransi adalah
banyaknya nasabah yang menunggak dalam membayar premi, sehingga
diperlukan sebuah sistem yang dapat mengklasifikasikan nasabah mana
yang masuk ke dalam kelompok lancar, kelompok kurang lancar dan

128

TECHSI: Jurnal Penelitian Teknik Informatika

nasabah mana yang masuk kedalam kelompok tidak lancar dalam

membayar iuran premi. Sehingga pihak asuransi bisa mengatasi sejak dini
permasalahan tersebut.
Sebuah perusahaan asuransi pastilah mempunyai data yang begitu
besar. Banyak yang belum menyadari bahwa dari pengolahan data data
tersebut dapat memberikan informasi berupa klasifikasi data nasabah yang
akan bergabung pada perusahaan itu sendiri. Penggunaaan teknik data
mining diharapkan mampu memberikan informasi yang berguna tentang
teknik klasifikasi data nasabah yang akan bergabung dalam kelompok
lancar, kelompok kurang lancar atau tidak lancar dalam membayar premi.
LANDASAN TEORI
a. Data Mining
Data mining adalah penambangan atau penemuan informasi baru
dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat
besar. Data mining juga disebut sebagai serangkaian proses untuk menggali
nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara
manual dari suatu kumpulan data.

1.
2.
3.
4.
5

Tahapan dari proses Knowledge Discovery in Database (KDD) adalah :

Selection
Pre-Processing / Cleaning.
Transformation
Data Mining
Interpretation / Evaluation.

b. Metode Klasifikasi
Klasifikasi adalah proses untuk menemukan model atau
fungsi yang menjelaskan atau membedakan konsep atau kelas data,
dengan tujuan untuk dapat memperkirakan kelas dari suatu objek
yang labelnya tidak diketahui. Dalam mencapai tujuan tersebut,
proses klasifikasi membentuk suatu model yang mampu
membedakan data kedalam kelas-kelas yang berbeda berdasarkan
aturan atau fungsi tertentu. Model itu sendiri bisa berupa aturan
atau formula matematis.

Algoritma Naive Bayes untuk Klasifikasi Nasabah Asuransi

Input
Atribut Set (x)

Classification
Model

129

Output
Class Label (y)

Gambar 1 : Blok Diagram Model Klasifikasi

c. Algoritma Naive Bayes

Algoritma Naive Bayes merupakan salah satu algoritma yang
terdapat pada teknik klasifikasi. Naive Bayes merupakan pengklasifikasian
dengan metode probabilitas dan statistik yang dikemukan oleh ilmuwan
Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan
berdasarkan pengalaman dimasa sebelumnya sehingga dikenal sebagai
Teorema Bayes. Teorema tersebut dikombinasikan dengan Naive dimana
diasumsikan kondisi antar atribut saling bebas. Klasifikasi Naive Bayes
diasumsikan bahwa ada atau tidak ciri tertentu dari sebuah kelas tidak ada
hubungannya dengan ciri dari kelas lainnya.
Persamaan dari teorema Bayes adalah :

Keterangan :
: Data dengan class yang belum diketahui
: Hipotesis data merupakan suatu class spesifik
: Probabilitas hipotesis
berdasar kondisi (posteriori
probability)
: Probabilitas hipotesis (prior probability)
: Probabilitas berdasarkan kondisi pada hipotesis
: Probabilitas
Untuk menjelaskan teorema Naive Bayes, perlu diketahui bahwa proses
klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa
yang cocok bagi sampel yang dianalisis tersebut. Karena itu, teorema
bayes di atas disesuaikan sebagai berikut :

130

TECHSI: Jurnal Penelitian Teknik Informatika

Dimana Variabel C merepresentasikan kelas, sementara variabel F1 ... Fn

merepresentasikan karakteristik petunjuk yang dibutuhkan untuk
melakukan klasifikasi. Maka rumus tersebut menjelaskan bahwa
peluang masuknya sampel karakteristik tertentu dalam kelas C
(Posterior) adalah peluang munculnya kelas C (sebelum masuknya
sampel tersebut, seringkali disebut prior), dikali dengan peluang
kemunculan karakteristik karakteristik sampel pada kelas C (disebut
juga likelihood), dibagi dengan peluang kemunculan karakteristik
karakteristik sampel secara global ( disebut juga evidence). Karena itu,
rumus diatas dapat pula ditulis secara sederhana sebagai berikut :

Nilai Evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai
dari posterior tersebut nantinya akan dibandingkan dengan nilai nilai
posterior kelas lainnya untuk menentukan ke kelas apa suatu sampel
akan diklasifikasikan. Penjabaran lebih lanjut rumus Bayes tersebut
dilakukan dengan menjabarkan
menggunakan aturan
perkalian sebagai berikut :

Dapat dilihat bahwa hasil penjabaran tersebut menyebabkan

semakin banyak dan semakin kompleksnya faktor faktor syarat yang
mempengaruhi nilai probabilitas, yang hampir mustahil untuk dianalisa satu
persatu. Akibatnya, perhitungan tersebut menjadi sulit untuk dilakukan.
Disinilah digunakan asumsi independensi yang sangat tinggi (naif), bahwa
masing masing petunjuk
saling bebas (independen) satu sama
lain. Dengan asumsi tersebut, maka berlaku suatu kesamaan sebagai berikut:

Algoritma Naive Bayes untuk Klasifikasi Nasabah Asuransi

Untuk

131

, sehingga

Dari persamaan diatas dapat disimpulkan bahwa asumsi independensi

naif tersebut membuat syarat peluang menjadi sederhana, sehingga
perhitungan menjadi mungkin untuk dilakukan. Selanjutnya, penjabaran
dapat disederhanakan menjadi :

Persamaan diatas merupakan model dari teorema Naive Bayes yang

selanjutnya akan digunakan dalam proses klasifikasi. Untuk klasifikasi
dengan data kontinyu digunakan rumus Densitas Gauss :

.......................... ........................... ....

Keterangan :
: Peluang
: Atribut ke i
: Nilai atribut ke i
: Kelas yang dicari
: Sub kelas Y yang dicari
: Mean, menyatakan rata rata dari seluruh atribut
: Deviasi standar, menyatakan varian dari seluruh atribut
Adapun alur dari metode Naive Bayes adalah sebagai berikut :
1. Baca data training
2. Hitung Jumlah dan probabilitas, namun apabila data numerik maka:
a.Cari nilai mean dan standar deviasi dari masing masing parameter
yang
merupakan data numerik.
b. Cari nilai probabilistik dengan cara menghitung jumlah data yang
sesuai dari kategori yang sama dibagi dengan jumlah data pada
kategori tersebut.

132

TECHSI: Jurnal Penelitian Teknik Informatika

3. Mendapatkan nilai dalam tabel mean, standart deviasi dan probabilitas.

Start

Baca Data
Training

Apakah Data
Numerik ?
Tidak

Ya

Jumlah dan
Probabilitas

Mean Tiap
Parameter

Tabel
Probabilitas

Standar Deviasi
tiap Parameter

Tabel Mean dan

Standar Deviasi

Solusi

Stop

Gambar 2: Skema Naive Bayes

Algoritma Naive Bayes untuk Klasifikasi Nasabah Asuransi

133

PERANCANGAN SISTEM
a.
Flowchart Sistem
Mulai

Insert, Update dan

Delete Data
Nasabah

Data Nasabah

Input Variabel
Calon nasabah

Hitung jumlah dan

Probabilitas

Proses Naive Bayes

Bandingkan hasil
tiap class
Probabilitas

P.Lancar >
P.Kurang Lancar &
P.Tidak Lancar

Tidak

P.Kurang Lancar >

P.Tidak Lancar

Tidak

Ya

Ya

Kurang
Lancar

Lancar

TidakLancar

Selesai

Gambar 3. Flowchart sistem

b.

Diagram Konteks

Admin

Input Data

Klasifikasi data
Nasabah

Aplikasi Data
Mining dengan
Proses Naive
Bayes

Pimpinan Asuransi
Laporan

Gambar 4. Diagram Konteks

134

TECHSI: Jurnal Penelitian Teknik Informatika

c.

Data Flow Diagram (DFD)

Hak Login

Login

Admin

Data Admin

Data Nasabah

Input Data Nasabah

Proses
Klasifikasi

Admin
Input Variabel Calon
Nasabah

Variabel Calon
Nasabah

Data Nasabah
variabel Calon
Nasabah

Laporan Klasifikasi
Calon Nasabah
Hasil Laporan

Laporan
Laporan Data Nasabah

Gambar 5. Data Flow Diagram (DFD) Level 0

d.

Entity Relationship Diagram (ERD)

Username

Password

Nama
ID Nasabah

Admin

Mengtraining

Data Nasabah

Mengtesting

Variabel Calon Nasabah

ID
Klasifikasi

Nama

Gambar 6. Entity Relationship Diagram (ERD)

Algoritma Naive Bayes untuk Klasifikasi Nasabah Asuransi

135

PERANCANGAN BASIS DATA

a. Desain Tabel Admin
Tabel ini digunakan untuk menyimpan data admin
Tabel 1. Admin Asuransi

Nama Field
Username
Password

Tipe Data

Lebar

Varchar
Varchar

Keterangan

10
10

Nama User
Password User

b. Desain Tabel Data Nasabah

Tabel ini digunakan untuk menyimpan data nasabah yang akan
digunakan dalam sistem.
Tabel 2. Data Nasabah

Nama Field
ID_nasabah
Nama

Tipe Data
Integer
Varchar

Lebar
5
30

Jenis Kelamin

Varchar

10

Usia
Status
Pekerjaan

Varchar
Varchar
Varchar

20
15
20

Penghasilan/tahun

Varchar

20

Masa_asuransi
Cara_pembayaran

Varchar
Varchar

20
15

Persentasi_kelancaran

Integer

Klasifikasi
Nilai

Varchar
Integer

20
4

Keterangan
No Id nasabah
Nama nasabah
Jenis
Kelamin
Nasabah
Usia nasabah
Status nasabah
Pekerjaan nasabah
Penghasilan
nasabah
Masa asuransi
Cara pembayaran
Persentasi
kelancaran
Klasifikasi
Nilai Data

136

TECHSI: Jurnal Penelitian Teknik Informatika

c. Desain Tabel Variabel Calon Nasabah

Tabel ini digunakan untuk menyimpan variable yang akan
digunakan dalam sistem.
Tabel 3. Variabel Data Calon Nasabah

Nama Field

Tipe Data

Lebar

Keterangan

ID

Integert

ID Calon Nasabah

Nama

Varchar

30

Nama
nasabah

Jenis Kelamin
Usia

Varchar

10

Kriteria

Varchar

20

Kriteria

Status

Varchar

15

Kriteria

Pekerjaan

Varchar

20

Kriteria

Penghasilan/tahun

Varchar

20

Kriteria

Masa_asuransi

Varchar

20

Kriteria

Cara_pembayaran

Varchar

15

Kriteria

Klasifikasi

Varchar

20

Kriteria

Calon

IMPLEMENTASI DENGAN PERHITUNGAN NAIVE BAYES

Model statistik merupakan salah satu model yang efisien sebagai
pendukung pengambilan keputusan. Konsep probabilistik merupakan salah
satu bentuk model statistik. Salah satu metode yang menggunakan konsep
probabilistik adalah Naive Bayes. Algoritma Naive Bayes adalah salah satu
algoritma dalam teknik klasifikasi yang mudah diimplementasikan dan
cepat prosesnya. Pada metode ini, semua atribut akan memberikan
kontribusinya dalam pengambilan keputusan, dengan bobot atibut yang
sama penting dan setiap atribut saling bebas satu sama lain. Apabila
diberikan k atribut yang saling bebas (independence), nilai probabilitas dapat
diberikan sebagai berikut:

Algoritma Naive Bayes untuk Klasifikasi Nasabah Asuransi

137

Tahap awal cara kerja dari proses perhitungan Naive Bayes adalah
dengan melakukan pengambilan data training dari data nasabah asuransi.
Adapun variabel penentu yang digunakan dalam mengklasifikasikan data
nasabah yaitu :
1. Jenis Kelamin
Merupakan variabel jenis kelamin nasabah yang dikelompokkan
dalam dua kategori yaitu laki laki dan perempuan.
2. Usia
Merupakan variabel usia nasabah yang di kelompokkan dalam tiga
kategori yaitu 20 - 29 tahun, 30 - 40 tahun, dan diatas 40 tahun.
3. Status
Merupakan variabel status nasabah yang dikelompokkan dalam
dua kategori yaitu kawin dan belum kawin.
4. Pekerjaan
Merupakan variabel pekerjaan nasabah yang dikelompokkan dalam
tiga kategori yaitu PNS, Pegawai Swasta, Wiraswasta.
5. Penghasilan
Merupakan variabel penghasilan dari nasabah yang dikelompokkan
dalam tiga kategori yaitu 0 - 25 juta, 25 - 50 juta, dan diatas 50 juta.
6. Cara pembayaran premi
Merupakan variabel cara pembayaran premi yang dikelompokkan
dalam empat kategori yaitu bulanan, triwulan, semesteran, dan
tahunan.
7. Masa pembayaran premi
Merupakan variabel masa pembayaran premi yang dikelompokkan
dalam tiga kategori yaitu 5 - 10 tahun, 11 - 15 tahun, dan diatas 15
tahun.

Tabel 4. Data Pelatihan

Jenis
No

Nama

Usia

Status

Pekerjaan

Penghasilan

Kawin

Pns

< 25 Juta

Kawin

Pns

< 25 Juta

Kawin

Pegawai
Swasta

< 25 Juta

Belum
Kawin

Pns

< 25 Juta

Kawin

Wiraswasta

< 25 Juta

Kelamin
1

Dani
Lukman

Laki-Laki

Evaliana

Perempuan

Rasyidah

Perempuan

Dina
Saufika

Perempuan

Wilsa Rizki

Laki-Laki

30 - 40
Tahun
30 - 40
Tahun
20 - 29
Tahun
30 - 40
Tahun
30 - 40
Tahun

Masa
Asuransi
>15
Tahun
5 10
Tahun
5 10
Tahun
5 10
Tahun
5 10
Tahun

Cara
Pembayaran

Klasifikasi

Tahunan

Tidak
Lancar

Semesteran

Lancar

Triwulan

Tidak
Lancar

Triwulan

Lancar

Tahunan

Kurang
Lancar

138

TECHSI: Jurnal Penelitian Teknik Informatika

Irwanto

Laki-Laki

Ade
Gunawan

Laki-Laki

Fauziah

Perempuan

Zulaikha

Perempuan

10

Zulfahmi

Laki-Laki

11

Hidayatullah

Laki-Laki

12

Nilam Sari

Perempuan

13

Nahari
Arifin

Laki-Laki

14

Yusnidar

Perempuan

15
16

Rizwan
Hadi
Rahmat
Saputra

Laki-Laki
Laki-Laki

17

M. Sahril

Laki-Laki

18

M. Irfan

Laki-Laki

19
20
21

Tutri
Wulandari
Leni
Syamsiah
Syafi Arkan

Perempuan
Perempuan
Laki-Laki

30 - 40
Tahun
30- 40
Tahun
20 - 29
Tahun
20 - 29
Tahun
20 - 29
Tahun
30 - 40
Tahun
30 - 40
Tahun
30 - 40
Tahun
>40
Tahun
20 - 29
Tahun
30 -40
Tahun
>40
Tahun
30 - 40
Tahun
30 - 40
Tahun
20 - 29
Tahun
30 - 40
Tahun

Belum
Kawin

Wiraswasta

> 50 Juta

Kawin

Pns

25 - 50 Juta

Kawin

Wiraswasta

25 - 50 Juta

Kawin

Wiraswasta

< 25 Juta

Kawin

Pns

< 25 Juta

Belum
Kawin

Wiraswasta

25 - 50 Juta

Kawin

Wiraswasta

25 - 50 Juta

Kawin

Wiraswasta

> 50 Juta

Kawin

Pns

< 25 Juta

Pns

< 25 Juta

Wiraswasta

< 25 Juta

Belum
Kawin
Belum
Kawin
Kawin
Kawin

Pegawai
swasta
Pegawai
swasta

< 25 Juta
25 - 50 Juta

Kawin

Wiraswasta

< 25 Juta

Belum
Kawin

Wiraswasta

25 - 50 Juta

Kawin

wiraswasta

25 - 50 Juta

11 15
Tahun
11 15
Tahun
11 15
Tahun
11 15
Tahun
11 15
Tahun
11 15
Tahun
>15
Tahun
11 15
Tahun
>15
Tahun
11 15
Tahun
11 15
Tahun
11 15
Tahun
11 15
Tahun
11 15
Tahun
5 10
Tahun
11 15
Tahun

Semesteran

Lancar

Semesteran

Tidak
Lancar

Tahunan

Lancar

Triwulan
Triwulan

Tidak
Lancar
Kurang
Lancar

Tahunan

Lancar

Tahunan

Kurang
Lancar

Triwulan

Lancar

Semesteran

Kurang
Lancar

Tahunan

Lancar

Semesteran

Lancar

Tahunan
Tahunan

Tidak
Lancar
Tidak
Lancar

Triwulan

Lancar

Bulanan

Tidak
Lancar

Semesteran

????

Berdasarkan tabel diatas dapat dihitung klasifikasi data nasabah apabila

diberikan input berupa jenis kelamin, usia, status, pekerjaan,
penghasilan/tahun, masa asuransi dan cara pembayaran menggunakan
algoritma Naive Bayes.
Apabila diberikan input baru, maka klasifikasi data nasabah asuransi
dapat ditentukan melalui langkah berikut :
1. Menghitung jumlah class / label

rang lancar pada data

Algoritma Naive Bayes untuk Klasifikasi Nasabah Asuransi

139

2.

Menghitung jumlah kasus yang sama dengan class yang sama

P(Jenis Kelamin = Laki-laki| Y=Lancar) = 5/9
P(Jenis Kelamin = Laki-laki| Y=Kurang Lancar) = 2/4
P(Jenis Kelamin = Laki-laki| Y=Tidak Lancar) = 4/7
P(Usia = 30 - 40 Tahun| Y=Lancar) = 7/9
P(Usia = 30 - 40 Tahun| Y=Kurang Lancar) =2/4
P(Usia = 30 - 40 Tahun| Y=Tidak Lancar) = 3/7
P(Status = Kawin| Y=Lancar) = 4/9
P(Status = Kawin| Y=Kurang Lancar) = 4/4
P(Status = Kawin| Y=Tidak Lancar) = 6/7
P(Pekerjaan = Wiraswasta| Y=Lancar) = 6/9
P(Pekerjaan = Wiraswasta| Y=Kurang Lancar) = 2/4
P(Pekerjaan = Wiraswasta| Y=Tidak Lancar) = 2/7
P(Penghasilan = 25 50 Juta| Y=Lancar) = 2/9
P(Penghasilan = 25 50 Juta| Y=Kurang Lancar) = 1/4
P(Penghasilan = 25 50 Juta| Y=Tidak Lancar) = 3/7
P(Masa_Asuransi = 11 15 Tahun| Y=Lancar) = 7/9
P(Masa_Asuransi = 11 15 Tahun| Y=Kurang Lancar) = 1/4
P(Masa_Asuransi = 11 15 Tahun| Y=Tidak Lancar) = 4/7
P(Cara Pembayaran = Semesteran| Y=Lancar) = 3/9
P(Cara Pembayaran = Semesteran| Y=Kurang Lancar) = 1/4
P(Cara Pembayaran = Semesteran| Y=Tidak Lancar) = 1/7

3.

Kalikan semua hasil variabel Lancar, Kurang Lancar dan Tidak

Lancar
P(Laki
Laki\Lancar) * P(30
40 Tahun\Lancar) *
P(Kawin\Lancar). P(Wiraswasta\Lancar) * P(25 50 Juta\Lancar) * P(11
15 Tahun\Lancar). P(Semesteran\Lancar) * P(Lancar)
=
=
=

140

TECHSI: Jurnal Penelitian Teknik Informatika

P(Laki Laki \ Kurang Lancar) * P(30 40 Tahun \ Kurang Lancar)

* P(Kawin\Kurang Lancar) * P(Wiraswasta\ Kurang Lancar) * P(25 50
Juta\Kurang Lancar) * P(11
15 Tahun\Kurang Lancar).
P(Semesteran\Kurang Lancar) * P(Kurang Lancar)
=
=
=
P(Laki Laki\Tidak Lancar) * P(30 40 Tahun\Tidak Lancar) *
P(Kawin\Tidak Lancar) * P(Wiraswasta\Tidak Lancar) * P(25 50
Juta\Tidak Lancar) * P(11
15 Tahun\Tidak Lancar) *
P(Semesteran\Tidak Lancar). P(Tidak Lancar)
=
=

=
4.

Bandingkan hasil class Lancar, Kurang Lancar dan Tidak Lancar

Dari hasil diatas, terlihat bahwa nilai probabilitas tertinggi ada pada
kelas (P|Lancar) sehingga dapat disimpulkan bahwa status calon
nasabah t

IMPLEMENTASI SISTEM
Setelah melalui tahapan perancangan sistem, database selanjutnya
adalah implementasi sistem. Implementasi sistem merupakan bagian akhir
daripada perancangan sistem yang telah dibangun dimana tahapan ini juga
merupakan testing program.

Algoritma Naive Bayes untuk Klasifikasi Nasabah Asuransi

141

a. Form Login
Form login berfungsi sebagai form keamanan, form ini merupakan
form untuk masuk ke program yang akan diakses dengan cara mengisikan
username dan password. Jika hak akses telah diberikan oleh sistem maka
user dapat mengakses menu utama aplikasi. Adapun tampilan form login
dapat dilihat pada gambar berikut :

Gambar 7. Tampilan Form Login

b. Form Menu Utama

Form menu utama berfungsi untuk mengakses segala perintah yang
terdapat dalam aplikasi. Form tersebut dapat diakses setelah user melakukan
login. Pada form ini terdapat beberapa menu yaitu Menu File Data yang
berisi submenu data nasabah (data training) dan cek persentase kelancaran
(data testing), Menu Admin, Laporan dan Exit. Adapun tampilannya dapat
dilihat pada gambar berikut :

Gambar 8. Tampilan Form Menu Utama

142

TECHSI: Jurnal Penelitian Teknik Informatika

c. Form Data Nasabah

Form ini dapat ditampilkan melalui menu form utama > file data >
data nasabah. Form ini berfungsi untuk mencari data nasabah, menambah,
menghapus,
menyimpan data nasabah. Data nasabah inilah yang
selanjutnya digunakan untuk data pelatihan (training) untuk proses
klasifikasi. Adapun tampilannya dapat dilihat pada gambar berikut :

Gambar 9. Tampilan Form Data Nasabah

d. Form Cek Persentasi Kelancaran

Untuk memanggil form cek persentasi kelancaran dapat dilakukan
melalui menu form utama > file data > cek persentasi kelancaran. Form ini
adalah form data testing yang digunakan untuk mengecek tingkat
kelancaran calon nasabah. Adapun tampilannya dapat dilihat pada gambar
berikut :

Algoritma Naive Bayes untuk Klasifikasi Nasabah Asuransi

143

Gambar 10. Tampilan Form Cek Persentasi Kelancaran

e.

Form Hasil Input Data Calon Nasabah

Pada form ini menampilkan hasil output dari penginputan data

calon nasabah yang telah di proses dengan algoritma Naive Bayes. Proses
klasifikasi dipengaruhi oleh atribut atribut terpilih yang mendukung untuk
menentukan kelas nasabah lancar, kurang lancar dan tidak lancar. Adapun
tampilannya dapat dilihat pada gambar berikut :

Gambar 11. Tampilan Form Hasil Input Data Calon Nasabah

144

TECHSI: Jurnal Penelitian Teknik Informatika

f. Form Laporan Akhir

Laporan akhir merupakan output dari proses klasifikasi data.
Laporan ini menampilkan hasil akhir dari proses yang telah dilakukan yaitu
output dari penginputan data calon nasabah yang telah di proses dengan
algoritma Naive Bayes. Pada menu laporan juga terdapat submenu laporan
berdasarkan klasifikasi nasabah lancar, kurang lancar atau tidak lancar.
Adapun tampilan form laporan dapat dilihat pada gambar berikut :

Gambar 12. Tampilan Form Laporan

7. Kesimpulan
Berdasarkan hasil pembahasan maka penulis dapat mengambil
beberapa kesimpulan antara lain :
1. Sistem klasifikasi data nasabah ini digunakan untuk menampilkan
informasi klasifikasi lancar, kurang lancar atau tidak lancarnya
calon nasabah dalam membayar premi asuransi dengan
menggunakan algoritma Naive Bayes.

Algoritma Naive Bayes untuk Klasifikasi Nasabah Asuransi

2.

3.

4.

145

Dengan adanya sistem ini maka mempermudah pihak asuransi

dalam memperkirakan nasabah yang bergabung, sehingga
perusahaan bisa mengambil keputusan untuk menerima atau
menolak calon nasabah tersebut.
Algoritma Naive Bayes di dukung oleh ilmu Probabilistik dan ilmu
statistika khususnya dalam penggunaan data petunjuk untuk
mendukung keputusan pengklasifikasian. Pada algoritma Naive
Bayes, semua atribut akan memberikan kontribusinya dalam
pengambilan keputusan, dengan bobot atribut yang sama penting
dan setiap atribut saling bebas satu sama lain.
Variabel penentu yang digunakan dalam penelitian ini adalah jenis
kelamin, usia, status, pekerjaan, penghasilan per tahun, masa
pembayaran asuransi, dan cara pembayaran asuransi.

DAFTAR PUSTAKA
Budi, Santoso, 2007, Data Mining : Teknik Pemanfaatan Data untuk Keperluan
Bisnis, Graha Ilmu, Yogyakarta
Frieyadie, 2010, Mudah Belajar Pemograman Database MySql dengan Microsoft
Visual Basic 6.0, Andi, Yogyakarta
Hermawati, Fajar Astuti, 2013, Data Mining, Andi, Yogyakarta
Jogiyanto, H.M, 2000, Analisis dan Desain Sistem Informasi, Andi, Yogyakarta
Kusumadewi, Sri, 2009, Klasifikasi Status Gizi Menggunakan Algoritma Naive
Bayes Classification, Jurusan Teknik Informatika, universitas Islam
Indonesia
Mulyanto, Agus, 2009, Sistem Informasi Konsep dan Aplikasi, Cetakan I,
Pustaka Pelajar, Yogyakarta

146

TECHSI: Jurnal Penelitian Teknik Informatika

Natalius, Samuel, 2010, Metode Naive Bayes Classifier dan Penggunaannya Pada
Klasifikasi Dokumen, Program Studi Sistem dan teknologi Informasi,
Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung
Prakoso, Djoko, 1994, Asuransi Indonesia, Dahara Prize, Semarang
Rahadian, Hadi, 2004, Membuat Laporan dengan Crystal Report 8.5 dan Visual
Basic 6.0, Cetakan 2, Elex Media Komputindo, Jakarta
Rokhmah, Dewi Pyriana, 2011, Klasifikasi Data Mengggunakan Metode KNearest Neighbour dan Teorema Bayes, Program Studi Teknik
Informatika, Universitas Brawijaya Malang
Supardi, Yuniar, 2006, Microsoft Visual Basic 6.0, Elex Media Komputindo,
Jakarta
Susanto, Sani, Ph.D, Suryadi, Dedy, 2010, Pengantar Data Mining: Menggali
Pengetahuan dari Bongkahan Data, Andi, Yogyakarta
http://www.scribd.com/ doc /45017830 /Algoritma
Data - Miningdesicion-tree-naive bayes-dll di unduh, 5 Maret 2013, 10:00 Wib
http://www.scribd.com/doc /55713517/Metode - Bayes di unduh
5 Maret 2013, 10:10 Wib